[發明專利]達沙替尼響應預測模型及其方法

在審

• 申請號: 201780048218.6
• 申請日: 2017-08-03
• 公開（公告）號: CN109952611A
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 克里斯托弗·W·賽托;斯蒂芬·查爾斯·本茨;查爾斯·約瑟夫·瓦斯克
• 申請（專利權）人: 南托米克斯有限責任公司
• 主分類號: G16B40/00
• 分類號: G16B40/00;G16B5/00;G16B20/00;A61K31/506;G01N33/574
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 王春偉;劉繼富

1.一種處理多個響應預測器的方法，其包括：

提供多個響應預測器，其中每個響應預測器與藥物相關聯并且具有多個途徑元件和相關實體系數；

計算每個響應預測器相對于相應的零模型的準確度增益度量，以選擇單一響應預測器；和

使用至少所選擇的響應預測器的途徑元件和相關實體系數的子集以及患者腫瘤的途徑模型輸出來計算得分。

2.根據權利要求1所述的方法，其中所述多個響應預測器為至少1000個響應預測器。

3.根據權利要求1所述的方法，其中所述多個響應預測器為至少100000個響應預測器。

4.根據權利要求1所述的方法，其中所述實體系數的途徑元件選自調節性RNA、免疫信號傳導組分、細胞分化因子、細胞增殖因子、細胞凋亡信號傳導組分、血管生成因子和細胞周期檢查點組分。

5.根據權利要求1所述的方法，其中所述準確度增益度量選自準確度值、準確度增益、性能度量、曲線下面積度量、R²值、p值度量、輪廓系數和混淆矩陣。

6.根據權利要求1所述的方法，其中使用至少兩種不同的機器學習分類器來建立所述多個響應預測器。

7.根據權利要求6所述的方法，其中所述至少兩種不同的機器學習分類器選自線性核支持向量機、一階或二階多項式核支持向量機、嶺回歸、彈性網絡算法、序列最小優化算法、隨機森林算法、樸素貝葉斯算法和NMF預測器算法。

8.根據權利要求1所述的方法，其中使用隨機選擇的數據集來計算相應的零模型，所述數據集未用于被針對性地創建零模型的響應預測器的計算。

9.根據權利要求1所述的方法，其中途徑元件和相關實體系數的子集包括1個至50個實體系數。

10.根據權利要求1所述的方法，其中所述患者腫瘤的途徑模型輸出包括與所選響應預測器中的途徑元件的子集相同的途徑元件。

11.根據權利要求1所述的方法，其中所述得分是關于藥物治療的敏感性得分。

12.一種使用患者腫瘤的途徑模型的輸出來預測患者使用藥物的治療結果的方法，其包括：

使用針對藥物的高準確度增益響應預測器中途徑元件的多個實體系數作為腫瘤途徑模型中相應途徑元件的輸出值的因子，以預測患者使用藥物的治療結果得分；

其中使用患者的組學數據計算腫瘤的途徑模型，并且所述腫瘤的途徑模型包括多個途徑元件和相關輸出值；

其中高準確度增益響應預測器相對于相應的零模型具有預先確定的最小準確度增益；和

其中所述高準確度增益響應預測器選自多個響應預測器，其中每個響應預測器與藥物相關聯。

13.根據權利要求12所述的方法，其中所述多個實體系數是1個至50個高準確度增益響應預測器的實體系數。

14.根據權利要求12所述的方法，其中所述多個實體系數是實體系數的子集并且包括高準確度增益響應預測器的所有實體系數的上三分位數。

15.根據權利要求12所述的方法，其中所述途徑模型是概率途徑模型。

16.根據權利要求12所述的方法，其中所述途徑模型是PARADIGM。

17.根據權利要求12所述的方法，其中所述預先確定的最小準確度增益超過零模型至少50％。